万星GitHub项目拆解为垂直Agent的实用方法

AI Agent工具正面临一场严重的同质化趋势。

技能合辑、Agent社区、多智能体协作、云端与本地Agent融合——这四大件几乎成了行业标配。

说实话，当笔者首次体验360安全龙虾云端版时，我带着相当审慎的态度逐一测试了各项功能：模型缓存机制、安全配置方案、云电脑环境，以及和OpenClaw同款的EvoMap Evolver自我进化引擎。在完整走完每个模块后，最令我着迷的反而是“龙虾教练”——一个能够把开源项目或工作流封装成垂直Agent的智能体工具。

听起来有点抽象？简单来说：我们真正缺少的从来不是Skills。

GitHub上堆积着海量Skills资源，ClawHub里也塞得满满当当，许多人本地电脑里更是收藏了一大堆。但实际使用率呢？大概只有20%上下。这话一点都不夸张。安装过superpowers项目的朋友不妨回想一下，除了Brainstorming（头脑风暴）技能外，其他Skill你主动触发过几次？大多数时候根本记不得去用。

这种“大佬觉得好用就放出来的Skill合集，结果我只认真用了其中一个”的现象正在持续加剧。随便数数就能发现：YC总裁Garry Tan的Office Hour，本质上也是用于头脑风暴的，它来自Agent团队gstack，说明文档里列出了23位专家，我实际用到的可能只有半个。还有经典的lenny-skills，这个名字可能没那么眼熟，看下面这张图就明白了。

这位作者把自己300多期访谈中提炼出的86个产品管理技能，做成了lenny-skills。

这个列表每次看都让人眼馋，但结果呢？实际用到的不过一两个。

核心问题就摆在这里：为什么不直接做一个精通某一类技能的Agent出来？采用多Agent架构，遇到同类问题时触发对应的Agent即可，根本不需要刻意记住某个Skill的名字。

龙虾教练的整体构建逻辑，跟当年GPTs的思路非常接近。

一问一答之间就可以走通流程。

先把lenny skill的GitHub项目丢给龙虾教练，然后提出需求：我想要一个能随时打断我的产品经理，专门用来弥补技术空白。

除了常规的名字、性格、能力边界设置外，这里有个关键区分——龙虾教练会主动询问：是要完整复制那86个技能，还是仅仅从中提取思路？还会进一步追问：既然目标是产品经理，那是不是要先了解项目所有进度？于是我把自己GitHub项目也交给它，让它能实时掌握项目进展。

经过大大小小十轮问答之后，这位“专业团队的专业产品经理张伟”就诞生了。来看看它的内部结构。

切换到对话界面，看龙虾后面的那个后缀，大概能猜出是哪个模型了吧？且用且珍惜。

为了对比开发过程，把上一版方案发给张伟，让它判断哪些地方值得改进。

它先读取了我的Roadmap，然后给出了v0.6版本的北极星目标。

张伟的思路确实跟自己不太一样。

以前我习惯用时间轴来组织信息，再通过标题和URL的文本相似度做合并。做出来的版本有打分、信息源和事件合并。

但没想到可以通过时间窗口来合并重复信息，以及用标签化和折叠来降低阅读压力。

通常到了这一步，下一步是把计划分发到一个新的执行Agent去完成。这次安全龙虾在云电脑里塞进了满血版的Claude Code和Codex——纯纯的执行代码工具人。

Dang, Dang, Dang, Dang——

于是AI News Radar的v0.6版本，加上了每个信息源的AI占比和信任打分。

每一条信息都附带具体时间线和来源标签。

按事件去重的逻辑也搞定了。标题虽然有点翻译腔，但胜在不消耗太多API。

Claude Code还顺手加上了滑动高亮浮动的特效，优化了加载速度。每日摘要会第一个出现，全量列表前30条轻量错峰入场，需要展开的筛选界面则留到最后。

全程没把自己的思考过程加进去——GPT 5.5，你懂我在说你吧？

张伟在执行过程中还能动态加载可用的Skill。

对话缓存也做出来了。同一段对话消耗的积分更少，原理是请求时把固定不变的部分——通常是系统提示语和TOOLS——设为缓存。接下来5分钟内，只要继续请求同一模型且固定内容没变，就不需要重新处理，模型可以直接复用缓存。

一开始给安全龙虾的定位是“还不错的云端Agent”，但深入研究安全设置后发现，它更像是本地和云端Agent的结合体。

文件、网络、系统操作和技能权限都划分了不同等级，每个权限都可以单独设置是否能访问本地资源，甚至可以细化到限制某个Skill能否访问本地文件。

既能配置成本地的高权限Agent，也能当作一个高性能且有独立工作间的云Agent来使用。

当然，如果前期没有囤下GitHub项目，也可以试试这些现成的“专家虾”。

以前很多Agent产品，普通人一上手往往一脸茫然。让写Prompt，不知道怎么写；让配置工作流，不知道从哪一步开始。比如想训练一只专门做PPT的龙虾，除了Skills，它还应该懂什么？审美得懂吧，排版、追问、字体大小也得懂吧。这些问题如果一开始全让用户自己想清楚，基本上就卡住了。

龙虾教练的价值，恰恰在于发挥了云端Agent“即用即开发”的特点。以前看到好用的Skills工作流，只能发给Agent，让它根据对话通知什么时候用这个Skill，或者把触发条件写进Rules里被动触发。但现在可以直接告诉龙虾教练想做什么，它会反过来提问、拆解需求、补充背景、补充技能，最终把这只专家虾训练出来。

当然，它不是魔法大师。别指望点几个按钮就多出一个完美员工。Agent这东西，越强就越需要用户会给出明确任务、会验收、会调整能力边界。但至少龙虾教练让第一步变得简单了——不用一上来就记住每个Skill的使用步骤，不用强行把自己塞进大佬们的工作流里。

回想一下，同样是用Obsidian做知识管理，llm-wiki、GBrain和Obsidian-Wiki这三个项目，直接让我停摆了一周。因为它们在单个Agent上同时生效，同一个文件可以看到存了三份。而这些Skill又确实好用，想着怎么把四个Skill融合进自己的工作流里。

以前只能慢慢磨，然后淘汰掉一些子Skill。现在呢？把同类Skill丢进一个Agent里，用上一段时间后，这个Agent里每个Skill的使用频率，自然会给出真正的“版本答案”。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：万星GitHub项目拆解为垂直Agent的实用方法要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题